企业官网建设流程全解析

这两年我接触了不少少儿编程机构的负责人，几乎每个人都在问同一个问题：AI 课到底要不要上、怎么上。2026 年这个时间节点很微妙，一方面 AI 工具已经普及到连小学生都能拿大模型做作业，另一方面家长对"AI 课"的认知还停留在"教孩子用 AI 工具"还是"教孩子做 AI 产品"的模糊地带。作为一个在少儿编程行业摸爬滚打多年的从业者，我想把自己看到的政策风向、踩过的坑、以及一套已经跑通的落地方法论整理出来，给准备开 AI 课的同行们一个参考。

这篇文章覆盖三块内容：为什么 AI 课是少儿编程机构绕不开的增量盘、不同年龄段课程体系怎么搭、课堂形式怎么设计，以及从教师培训到正式开课的四步落地路径。无论你是刚起步的小型机构还是已经规模化运营的品牌校区，这套思路都可以直接拿过去用。里面涉及 Scratch 这个经典工具的 AI 化改造方案，也会展开讲清楚。

1. 为什么少儿编程机构必须拥抱 AI 课：政策信号与市场逻辑

这一节先解决认知问题。很多机构负责人不是不想开 AI 课，而是不确定这是不是一个短期风口——万一是虚火，投入的人力物力就打水漂了。我的判断是，AI 课在少儿编程领域不是可选项，而是必选项，理由来自政策和市场两个层面。

1.1 政策风向：从"信息技术"到"AI 素养"的转向

过去十年少儿编程行业的增长，很大程度上得益于信息技术课程地位的提升。而 2024 年以来，AI 教育相关内容开始密集进入中小学课程视野，从"人工智能进校园"试点到新课标里明确的信息科技核心素养要求，都在传递同一个信号：AI 素养正在成为和阅读、算数一样的底层能力。

这里要特别注意一个关键变化——政策导向已经从"教工具"转向"教思维"。以前的信息技术课教的是 Office、Scratch 操作，属于技能训练；现在的要求是让孩子理解 AI 能做什么、不能做什么、怎么和 AI 协作，属于素养培养。这对培训机构意味着两件事：第一，单纯教 Scratch 积木编程的课程价值在稀释，必须叠加 AI 元素；第二，家长在政策引导下会产生新的刚需，你不提供 AI 课，家长就会去找提供的地方。

从落地节奏看，政策红利不会瞬间爆发，而是阶梯式释放。一线城市的公立校已经在试点 AI 校本课程，二三线城市的家长对 AI 教育的认知也在快速觉醒。机构现在入场，正好卡在"公立校体系尚未完全覆盖、民间培训作为补充"的时间窗口。

1.2 市场端的变化：家长在为什么买单

我见过太多机构把 AI 课当成"编程课的换皮版本"，这是最大的误区。家长选择 AI 课的动机，和选择编程课的动机有本质差异。

编程课的购买理由是"锻炼逻辑思维""为升学做铺垫"，逻辑链条是：学编程 → 思维好 → 成绩好。而 AI 课的购买理由是"别让孩子被时代甩下""别人家孩子都会用 AI 了"，逻辑链条是：学 AI → 不被淘汰 → 有未来竞争力。前者是增益型消费，后者是焦虑型消费。焦虑型消费的特点是决策快、对效果展示的要求更高、续费更依赖"看得见的成果"。

所以在和家长沟通时，话术要跟着变。不要上来就讲"我们的 AI 课教 Python 和机器学习"，家长听不懂也不关心。要讲"孩子能做出什么"——比如用 AI 识别自己的手写数字、训练一个垃圾分类模型、做一个能对话的 AI 助手。看得见的作品，才是家长续费的定心丸。

1.3 行业竞争格局：AI 课是分水岭

少儿编程行业已经过了靠"Scratch 启蒙 + 考级冲刺"就能活得很好的阶段。头部机构在 2024 年就开始布局 AI 课程线，区域连锁品牌也在用 AI 课做差异化获客。大家可以观察一下：现在做地推或线上投放，纯编程课的转化率在下降，加了 AI 元素的体验课转化率明显更高。

原因不难理解。Scratch 编程课已经高度同质化，家长见得太多了，你家的拖拽积木和别人家的没什么区别。但 AI 课是一个新的故事——"让孩子亲手训练一个 AI 模型"这个卖点，家长在别的机构没听过。这就是差异化红利，而且这个红利窗口不会太长，等大家都开 AI 课的时候，就又变成价格战了。

所以我的建议是：不管机构规模大小，2026 年上半年必须把 AI 课程线立起来，哪怕先做一版 1.0 课程试水，也比按兵不动强。

2. 课程体系设计：不同年龄段怎么搭 AI 课内容

确定要开 AI 课后，第一个实操问题就是课程怎么设计。很多机构拿到的 AI 课方案是"一刀切"——所有年龄段学同样的内容，这是大忌。AI 概念本身是抽象的，不同年龄段孩子的认知水平差异极大，必须分层设计。

我给出的分龄框架是这样的：6-8 岁做 AI 感知启蒙，8-10 岁做 AI 应用探索，10-12 岁做 Python + AI 入门，12 岁以上做 AI 项目实战。下面逐个拆解。

2.1 6-8 岁：AI 感知启蒙课（Scratch + AI 积木）

这个阶段的孩子还没建立抽象思维，你跟他讲"神经网络"他完全无感。课程目标应该是"感知 AI 的存在，理解 AI 能做什么"。

Scratch 在这个阶段依然是主力工具，但要在 Scratch 的基础上叠加 AI 扩展积木。目前市面上的 Scratch AI 扩展已经能做到：语音识别、图像识别、人脸检测、文字朗读等功能封装成积木块，孩子不用写算法，只需要拖拽积木就能做出一个"能听懂话""能认出东西"的 AI 应用。

举个例子，一节 90 分钟的体验课可以这样设计：让孩子用摄像头拍不同颜色的小球，Scratch AI 积木识别颜色后，小猫角色做出不同反应。整节课没有一行代码，但孩子真切地感受到了"AI 在认识这个世界"。这种体验的价值不在于技术深度，而在于建立"AI 是可以用编程来控制"的初步认知。

课时排布建议：每节课一个 AI 小项目，8-12 节课一个阶段，项目主题围绕生活场景——智能门铃、会打招呼的机器人、能分辨水果的魔法镜子。课堂产出要可视化，每节课结束让家长看到孩子的作品演示，这是续费的关键抓手。

2.2 8-10 岁：AI 应用探索课（模型训练入门）

8-10 岁的孩子具备了一定的逻辑思维，可以开始接触"训练模型"这个概念。但这并不意味着让他们写梯度下降算法，而是用图形化或半图形化的方式，理解"数据 → 训练 → 识别"这个完整链路。

实操层面，这个阶段最推荐的是 Teachable Machine 这类工具，以及国内一些面向青少年的 AI 实验平台。孩子可以拍照采集数据、给数据打标签、训练一个图像分类模型，然后把模型导入 Scratch 做项目。整个过程 30 分钟就能跑通，但孩子经历的是完整的机器学习流程。

我对这个阶段课程设计的核心建议是：一定要让孩子自己采集数据。很多老师为了省时间，提前准备好训练数据，孩子只是点几下按钮，这完全失去了教育意义。让孩子自己拍 100 张不同角度的猫猫照片、分类、训练、测试，他才能真切理解"AI 识别准确率取决于数据质量和数量"这个核心概念。

课堂形式建议采用"挑战式任务"：比如"训练一个模型，区分开心脸和生气脸，准确率要达到 90%"。孩子在调整数据的过程中，会自然理解很多机器学习的基础概念，这种体验不是讲出来的，是做出来的。

2.3 10 岁以上：Python + AI 基础课

到了 10 岁，孩子已经可以在代码层面接触 AI 了。这个阶段的主流路径是 Python + AI 库，但要注意梯度设计，不能一上来就 PyTorch、TensorFlow，那会直接劝退孩子。

我建议的分层是：先从 Python 语法基础开始，然后学习调用现成的 AI API 或工具库——比如用百度 AI 开放平台或讯飞开放平台提供的图像识别、语音识别接口，写几行代码调用 API，实现一个"智能相册""语音点歌台"之类的项目。这个阶段的核心目标是让孩子理解"AI 能力可以通过编程被调用和组合"，以及学会处理 API 调用过程中的参数、异常和结果解析。

做完 API 调用层之后，基础好的孩子可以进入下一层：用 scikit-learn 或类似的库做简单的分类任务，比如鸢尾花数据集、手写数字识别。这一步开始涉及特征、标签、训练集、测试集等概念，但代码量控制在 30 行以内，重点让孩子改参数、看效果，而不是纠结语法。

我特别想提醒的是：这个阶段课程最容易犯的毛病是"重代码轻思维"。老师为了显得有技术含量，大量讲授语法细节，孩子抄代码抄得昏天黑地，但对 AI 的理解毫无进步。正确的重心应该是：用最少的代码实现 AI 功能，把大量时间花在"这个模型为什么识别错了""换一组数据会怎样"这类思考上。

2.4 课程体系排布节奏与课时设计参考

分龄框架搭好之后，机构的排课策略也很关键。我见过两种常见模式：一种是"独立 AI 课线"，另一种是"编程课 + AI 模块混编"。

独立 AI 课线的优势是产品定位清晰，便于市场宣传，劣势是招生量不够的话，班级凑不齐。混编模式的优势是存量学员可以直接转化，比如在 Scratch 提高班里加入 AI 项目单元，一个阶段 4 节课做 AI 项目，既不打破原有课程体系，又能让学员感知到课程在"升级"。

从运营角度来看，我建议中小机构先走混编模式，用 3-4 次课的 AI 模块作为体验钩子，跑通后再独立成线。一个可参考的课时结构是：

这个表不是死的，机构可以根据自己师资储备和学员情况进行压缩或扩展，但有一个原则不能变：每个阶段必须有明确的阶段性产出物，否则家长感知不到学习成果，续费一定出问题。

3. 课堂形式：AI 课怎么上才有效果

课程体系是骨架，课堂形式是血肉。AI 课如果按照传统编程课"老师讲、学生练、最后作品演示"的模式去上，效果会大打折扣。AI 课的特殊性在于：它的核心是"人机协作"和"迭代试错"，课堂形式必须围绕这两个关键词重新设计。

3.1 项目式学习的课堂落地

项目式学习（PBL）在教育圈喊了很多年，但在 AI 课里它不是一个口号，而是必要的课堂形式。为什么？因为 AI 项目的完整链路是"定义问题 → 采集数据 → 训练模型 → 测试迭代 → 部署展示"，这是一个天然的闭环，拆成零散的知识点去讲，孩子完全无法建立整体认知。

拿一节 90 分钟的 AI 体验课举例，完整的课堂流程应该是：

1. 情境导入（10 分钟）：播放一段 AI 应用视频，或者老师现场演示一个 AI 小程序，制造"这个东西我也想自己做"的动机。
2. 问题拆解（10 分钟）：引导孩子讨论"如果要做一个能识别情绪的 AI，需要哪几步"，把大问题拆成小问题。
3. 动手实践（50 分钟）：分组进行数据采集、模型训练、项目搭建，老师在旁边做引导而非直接给答案。
4. 测试迭代（10 分钟）：用新数据测试模型效果，分析失败案例，改进模型。
5. 展示分享（10 分钟）：每组上台演示，其他组提问，老师点评。

这里面最容易出问题的是第 3 步。很多老师习惯了"手把手教"的模式，看到孩子卡住了就忍不住上手替孩子做。做 AI 课必须忍住这个冲动。孩子在训练模型时卡住，通常是因为数据采集不够或者标签混乱，这是绝佳的学习契机，老师要做的是提问题（"你觉得为什么识别错了？""如果多拍几张照片会怎样？"），而不是直接给孩子一个训练好的模型。

3.2 AI 工具辅助教学：智能助教与课堂提效

有一个趋势值得注意：2026 年的少儿编程课堂里，AI 工具本身正在成为教学辅助手段。我在实际教学里尝试过用大模型助手来辅助课堂管理：让 AI 根据当节课的代码错误自动生成个性化的纠错提示，或者在上课开始时用 AI 生成一个和当节课主题相关的破冰小故事。

这听起来有点"偷懒"，但实际效果很好。孩子的注意力天然容易被"AI 生成的东西"吸引，而且 AI 辅助能够让老师的精力从重复性劳动中解放出来，集中在课堂引导和个别辅导上。

要注意的是，AI 工具辅助教学不能喧宾夺主。我在一些机构看到过这样的情况：老师用 AI 一键生成了一整套教案和代码示例，上课时直接照着念，结果课堂效果非常差——因为 AI 生成的代码示例往往不是孩子实际理解水平的，课堂最后的作品质量一塌糊涂。AI 辅助工具的定位是"助教"，不是"替身"，教案可以 AI 生成初稿，但必须经过老师逐环节的调试和适配。

另外一个实践是：把 AI 工具的使用本身作为教学内容。比如在 10 岁以上的班级，教孩子"如何向 AI 助手清晰地描述需求"——这个技能就是提示词工程的低龄化版本。让孩子对比"写一个猜数字游戏"和"写一个 Python 猜数字游戏，数字范围 1-100，最多猜 7 次，每次提示偏大偏小"这两种提问方式产出的代码质量差异，孩子一下就理解了"清晰的表达 = 更好的 AI 协作结果"。

3.3 软硬件结合：智能硬件让 AI 课"摸得着"

纯软件界面的 AI 课有一个天然短板：对孩子来说太抽象。屏幕里的模型识别准确率再高，也不如一个看得见摸得着的硬件设备来得震撼。这也就是为什么这两年"AI + 硬件"的课堂形式在机构里越来越流行。

市面上主流的方案有两种：一种是基于开源硬件的 AI 视觉小车/机械臂，孩子通过编程让小车识别颜色、追踪物体、自动驾驶；另一种是语音交互智能音箱/机器人套件，孩子训练语音模型后写入硬件，实现"叫它名字它就回应"的效果。

硬件方案的成本是机构需要重点考量的问题。一套入门级的 AI 开发板 + 摄像头模组 + 电机驱动的成本大约在 300-600 元之间，如果机构采用"两人一组共用一套"的模式，一个 10 人班级的硬件投入大约在 1500-3000 元。这个投入不是一次性的——硬件可以复用，而且硬件体验课对招生的带动效果非常明显，很多家长就是看到孩子在课上操控 AI 小车才决定报名的。

我个人的建议是：中小机构不一定需要买昂贵的成品套件。很多项目的硬件可以用常见的模块自己组装：树莓派或国产开发板 + USB 摄像头 + 舵机，加上 3D 打印的外壳，就能做出一个 AI 识别小机器人。虽然前期需要老师投入一些组装时间，但成本能压到成品套件的三分之一，而且组装过程本身也是课程内容的一部分，孩子对硬件结构的理解会更深。

3.4 成果展示与评价体系：AI 课的续费引擎

编程课的传统评价方式是看考级和竞赛成绩，但 AI 课的成果评价体系完全不同。因为 AI 项目的核心是"迭代"和"效果优化"，评价的重点应该从"结果"转向"过程"和"思维"。

我建议机构设计三层成果展示机制：

第一层是每节课的"作品秀"环节。下课前的 5-10 分钟，让孩子向家长演示当节课的 AI 项目。注意这里有个小技巧：一定要让孩子自己讲，而不是老师讲。孩子磕磕绊绊地解释"我拍了 50 张照片训练模型，开始准确率只有 60%，后来我加了不同角度的照片，准确率到了 90%"，这个叙述过程本身就是最好的教学成果证明。

第二层是每阶段的"AI 作品展"。一个阶段结束后，把孩子的作品整理成展台或者线上画廊，邀家长参观。作品展不能只是摆几台电脑，要设计互动环节——比如让孩子教家长体验自己做的 AI 应用，或者用孩子的模型现场识别物体。家长参与得越深，对课程的认可度越高。

第三层是"AI 成长档案"。为每个孩子建立一份记录——从最初对 AI 的模糊认知，到能独立说清楚"数据、模型、准确率"这些概念，再到完成一个完整的 AI 项目。这份档案不只是给家长看的，也是机构自己课程优化的依据。我是从第二期课开始做这件事的，发现家长对课程的评价明显更好了，他们看到的是一套完整的成长路径，而不是一节一节孤立的手工课。

4. 落地四步法：从 0 到 1 的实操路径

前面讲了"为什么做"和"做什么"，这一节聚焦"怎么做"。我把 AI 课从立项到正式开课拆成了四步：教师培训、课程开发、种子班测试、全面推广。每一步都有具体的操作要点和踩坑提醒。

4.1 第一步：教师 AI 能力盘点与培训

AI 课能不能落地，70% 取决于老师。很多机构的负责人忽略了一个残酷的现实：你会做课程设计没用，因为最终站在讲台上的是老师。老师不理解 AI、不认同 AI 课的价值，课程设计再完美都会在执行环节变形。

教师培训的第一步是能力盘点。我建议把老师分成三级：A 级是能独立开发 AI 课程内容的，B 级是能按照现成教案上课并且能处理学员问题的，C 级是只能照本宣科但遇到学员提问就卡壳的。不同类型的机构差距很大——有的机构 80% 老师是 C 级，这意味着课程落地前必须做系统的培训。

培训内容建议分三块：首先是 AI 通识，让老师理解机器学习的基本概念、主流 AI 应用场景、以及少儿版工具（Scratch AI 扩展、Teachable Machine、Python AI 库）的原理和操作；其次是教学法，重点是"如何引导孩子做 AI 项目而不是替孩子做"；最后是实战演练，每个老师必须完整体验一遍课程中的所有项目，并且模拟处理至少 5 种课堂突发情况，比如模型训练崩溃、学员数据采集不规范、硬件设备故障等。

培训的时间投入要预估充分。以 10 人规模的教师团队为例，完整的 AI 课程培训至少需要 3 个整天，外加 2 周的项目实践消化期。不要压缩这个时间，我见过有机构为了赶开学季，给了老师一天培训就拉上讲台的，结果第一周体验课翻车率高达 60%，这个口碑损失远大于多投入两周培训的成本。

4.2 第二步：课程内容开发与试讲验证

教师培训跑通后，进入课程内容开发阶段。这一步的核心原则是"先做最小可行版本（MVP），再迭代优化"。很多机构犯的错误是，一上来就想做一整套 32 课时的完美课程，结果开发周期拖了半年，市场窗口全错过了。

我的建议是：第一版只做 4-6 次课的体验课程包，目标不是让学生报满一个阶段，而是验证课程受欢迎程度和教学质量。体验课包的选题要选"视觉冲击力强、30 分钟能见效、适合家长围观"的项目，比如 AI 表情识别、AI 垃圾分类、AI 绘画创作。

课程开发完成后，必须经过至少两轮试讲验证。试讲不能只在内部老师之间练习，一定要找真实学员来试——可以从机构现有的 Scratch 学员中招募体验官，免费上课，但要求家长填写反馈问卷。问卷要设计具体的、可量化的指标：孩子上课专注度评分、回家后是否主动跟家长讲课程内容、对 AI 项目的兴趣程度、家长对课程内容的理解程度。这些数据直接决定了课程要调整的方向。

试讲阶段还有一个作用：攒作品素材。体验课上孩子的作品（照片、视频、演示录屏）要系统收集，这些是后续市场推广最真实、最有说服力的素材。我看到太多机构推广 AI 课时只能用网上找的素材图，一看就假，用自己学员的作品做宣传，转化率高出一大截。

4.3 第三步：种子班测试与运营数据跟踪

体验课包跑顺之后，正式开一个种子班——小班制（6-8 人）、低价或者免费、周期 4-6 周。种子班的目的不是赚钱，而是收集真实的运营数据。

种子班要盯的数据指标包括：出勤率（低于 80% 说明课程吸引力有问题）、课堂完成度（多少比例的孩子能按时完成项目）、家长课后咨询量（家长是否主动询问进阶课程）、退课意愿（哪些环节让家长不满意）、推荐意愿（家长是否愿意介绍朋友来）。这些数据要用表格记录，每周复盘。

我在种子班运营中非常重视一个细节：每次课后给孩子发一个"AI 学习成就卡"，上面记录这节课孩子做了什么、训练了哪些数据、模型准确率是多少、遇到了什么问题、怎么解决的。这张卡既是孩子的学习纪念，也是机构运营的抓手——家长拿到卡后会拍照发朋友圈，这是免费的传播；同时成就卡也倒逼老师关注每个孩子的学习动态，而不是只关注整体课堂效果。

种子班结束后的复盘会上，要回答四个问题：课程内容是否需要调整？老师授课方式是否需要调整？定价策略是否合理？市场推广话术是否需要调整？四个问题都回答清楚了，才能进入第四步。

4.4 第四步：全面推广与续费转化策略

种子班验证通过后，进入规模化推广阶段。推广渠道没有什么新奇的，无非是地推、社群、短视频、家长转介绍，但 AI 课的推广内容和传统编程课有很大区别。

传统编程课的推广素材是"代码界面 + 学生获奖证书"，AI 课要用"项目演示 + 孩子讲解"类素材。我建议机构每周产出 2-3 条 AI 课堂实录短视频，不用刻意剪辑得很精致，真实感反而更重要。视频的黄金结构是：开头 3 秒展示 AI 项目效果（比如人脸识别表情），中间展示孩子的操作过程，结尾孩子的成就感画面。这种视频在短视频平台的自然流量表现，普遍好于精心制作的宣传片。

续费转化方面，AI 课有一个天然优势：项目迭代空间大。同一个 AI 主题项目，初阶版本和进阶版本的深度差距很大，这意味着课程有清晰的进阶路径，不会像纯 Scratch 课走到后面发现没东西可教了。在续费沟通时，要讲清楚"这个 AI 项目在下一阶段会升级成什么"——比如初阶做个"能识别 5 种水果的模型"，进阶版升级成"能识别 50 种物品并语音播报的智能助手"，家长一听就知道课程在深化，续费决策就顺畅了。

还有一点必须提前规划：AI 课和考级竞赛体系的衔接。虽然 AI 课本身不以应试为核心，但家长的升学焦虑是客观存在的。2025 年以后，一些白名单赛事和信息学竞赛已经加入了 AI 赛道，机构最好在课程体系里预留"竞赛冲刺"模块，让学 AI 的孩子有出口和凭证。这不是功利化，而是市场现实——有出口，家长才敢持续投入。

5. 常见问题与避坑实录

最后这部分，我把实操中高频遇到的具体问题和解决方案整理成速查表，给同行们做个参考。

5.1 师资不够强，怎么快速补齐 AI 教学能力

这是所有中小机构的第一痛点。我的建议是"三步并行"：对外招聘一个懂 AI 的教研负责人（哪怕只是兼职顾问），用他快速搭出课程框架；对内选拔 2-3 名学习能力强的老师深度培养，让他们成为 AI 课的骨干；同时把培训内容录制成视频课程，新老师入职后先看视频自学再参加实战考核。

这里要特别提醒：招聘 AI 教研负责人时，不要只看技术背景。很多算法工程师来做少儿课程设计，会不自觉地讲得太深，完全不考虑孩子的认知水平。好的 AI 课程设计者，既要懂 AI 技术，更要懂儿童教育心理学。面试时可以让他现场设计一个面向 8 岁孩子的 AI 课程大纲，看看他的设计理念是"从孩子出发"还是"从技术出发"。

5.2 家长觉得"AI 课是智商税"，怎么破

这是市场教育阶段的必然阻力。解决思路不是去解释 AI 课"多么有用"，而是用体验说服家长。我给机构的建议是：设计一次"家长 AI 体验课"，让家长坐在孩子的座位上，亲手用 Teachable Machine 训练一个模型，体验从零到一完成项目的全过程。家长一旦体验过"原来 AI 模型是这么训练出来的"，就不会再说"智商税"了，因为他理解了课程的价值。

另外，在课程咨询环节要主动化解三个常见误解：一是"AI 课 = 教孩子用 ChatGPT"，需要说明我们教的是"创造 AI 应用"而不是"使用 AI 工具"；二是"AI 课要学高数"，需要说明少儿 AI 课是图形化、项目式的，不涉及复杂数学；三是"AI 会让编程课失去意义"，需要说明学会编程恰恰是掌控 AI 的前提。这三个误解化解掉了，咨询转化率能提升 30% 以上。

5.3 硬件成本和设备故障怎么控制

硬件方案虽然效果好，但成本控制和故障处理是实打实的运营压力。我的经验是三条原则：第一，优先选择开源、可替换模块的硬件，避免买封闭的成套设备，因为封闭套件一旦某个模块坏了，维修周期长且成本高；第二，每个班级多备 20% 的易损件——摄像头、连接线、电池这些多买几个备用，上课时随时替换，不影响课堂节奏；第三，上课前 30 分钟必须做设备自检，这 30 分钟的投入能避免上课时 80% 的设备故障。

还有一个省钱技巧：部分 AI 项目可以用手机替代硬件。现在的手机摄像头和算力足够跑一些轻量级的 AI 识别功能，机构如果没有预算购买硬件套件，第一版课程可以先基于手机 + 网页端 AI 平台来做，跑通完整教学流程后，再根据课程需要逐步引入硬件。这样初始投入几乎为零，适合预算非常紧张的小机构。

5.4 AI 课和现有编程课如何共存，不打架

最后是课程协同问题。很多机构担心 AI 课的推出会导致现有编程课学员流失——学 AI 去了，Scratch 课就没人上了。这个担心是多虑了，但处理不好确实会造成内部竞争。

我的做法是把 AI 内容作为现有课程的"升级选项"而不是"替代选项"。Scratch 基础课继续上，但在课程宣传中强调"完成 Scratch 基础阶段后，可以进入 AI 增强阶段"；Python 课程同理，在原有语法基础上叠加 AI 应用模块。这样，AI 课变成了现有课程的延伸，学员在机构内的学习路径变长了，反而提升了 LTV（用户生命周期价值）。

课程定价上也要注意差异化。AI 课因为师资要求高、硬件投入大，定价应该比普通编程课高 30%-50%。这不仅是成本考量，也是心智设定——家长会觉得 AI 课是更高阶的产品，孩子从编程课"升级"到 AI 课，是学习的进步而非课程的替换。定价定低了，反而会让家长怀疑课程含金量。

最后说一点个人体会。少儿编程行业的 AI 课改革，本质上不是"加一门新课"那么简单，而是一次课程理念的升级——从教孩子"控制计算机"到教孩子"与智能协作"。这个转变对机构是挑战也是机遇，挑战在于师资、课程、硬件都要动，机遇在于这是一次难得的差异化窗口。我在踩过课 程翻车、硬件故障、家长质疑这些坑之后，最大的感受是：AI 课真正能跑通的机构，靠的不是花哨的概念，而是踏踏实实把每一节课的体验做好，让孩子每次下课都有一句"我今天做了一个 AI 项目"可以跟爸妈炫耀。只要做到这一条，AI 课的续费和口碑就是水到渠成的事。